大模型之上，世界模型未满：决策智能中间层的真实坐标

“大模型以上，世界模型未满”——这句话是我过去大半年里反复琢磨的一句话，最近随着一家以“决策智能”为核心标签的美股科技公司重新站上风口，很多人又开始问我：它到底是做什么的？它凭什么这么值钱？它和大模型、和传说中那个什么都懂一点的“世界模型”到底是什么关系？

先说结论：我理解的这家公司（下文统一用P公司代称）既不是单纯的大模型应用商，也不是造世界模型的实验室，它更像夹在两层之间的“决策中间层”。这篇是系列的第一篇，主要聊我在跟踪它时最关心的第一个不确定问题：AI能力越来越强之后，这层“中间层”到底是会被顶上去，还是会被彻底夹碎。

1. “大模型以上，世界模型未满”：一句话里的两个参照系

1.1 大模型不是“万能推理机”，它是“高配版语言通”

先把两个概念放在同一张桌上。

大模型这几年给人的感觉是无所不能：能写代码、能做表格、能读合同、能扮演各种角色。但稍微深入用过就知道，大模型的核心能力仍然是“在巨大的人类文本语料上做分布预测”。它擅长的是语言层面的连贯生成，而不是对真实世界状态变化的严格推演。你问它“客户流失率为什么上升”，它能给你列出十几条可能原因，但它无法告诉你“在你这家公司的具体数据环境下，最可能的三个原因分别是什么、各自权重多大”。

这就是“大模型以上”的含义：P公司做的事情，是站在大模型可以理解和生成语言的基础上，再往上叠一层“业务语义”和“决策逻辑”。它不关心模型能不能写出漂亮的报告，它关心的是报告里的每个数字、每个结论是否来自客户自己的数据，是否能直接指向下一步操作。

1.2 世界模型是“还在施工中的地基”，不是眼前能用的楼层

世界模型（World Model）是另一极。这个概念最早出圈于自动驾驶和仿真环境：系统内部建立一套对物理世界状态转移规则的模型，输入当前状态和动作，就能预测下一状态。理想化的世界模型，应当具备“对世界做反事实推演”的能力——也就是回答“如果我不做X，而去做Y，三个月后我的业务会怎样”。

听起来很性感，但现实是，目前的世界模型要么局限于非常具体的模拟环境，要么停留在学术论文对“通用智能”的愿景讨论里。对一家企业来说，你的供应链、你的客户画像、你的合规约束，不是一个物理仿真器能覆盖的东西。真正的“企业级世界模型”需要把业务流程、组织结构、外部市场、监管规则全部抽象成可运算的状态空间，这件事目前没有任何人真正做成了。

所以“世界模型未满”那句话，我的理解是：P公司在能力边界上已经越过单纯的大模型应用层，但距离真正的世界模型还有很长一段路。它恰好卡在一个“比大模型更能懂业务，但还没到能推演世界”的中间地带。

1.3 P公司的真实坐标：它不是模型公司，是“系统的系统”

这里要把一个容易混淆的概念说清楚：P公司对外讲了不少AI产品，但它的核心资产从来不是一个模型，而是一套把数据接入、语义建模、知识图谱、决策流程和人机交互组合起来的集成体。它做的事更像“业务系统的操作系统”：把企业内部乱七八糟的数据接进来，定义这些数据之间的关系，然后在上面让AI帮你做分析、做预测、做执行建议。

我把这三类东西放在一张表里对比，大家感受会直观很多：

维度	大模型	世界模型	决策智能平台（P公司这类）
输入	文本/图像/代码等	环境状态与动作序列	客户企业内部多源业务数据
目标	生成通顺合理的输出	预测下一状态并推演后果	产出可执行、可追责的业务决策
知识来源	公开人类语料	仿真环境/规则集	客户私有数据+行业积累+专家规则
典型产出	文章、代码、摘要、对话	模拟轨迹、状态预测	数据面板、预警、处置建议、自动化操作
落地方式	API调用/嵌入式应用	仿真器/实验室系统	深度定制部署、业务流程嵌入

看完这张表应该能明白：P公司的对手从来不是ChatGPT这类大模型产品，它的竞争对手其实是“企业内部原有的报表体系+数据仓库+业务经验”这一整套传统决策机制。大模型对它而言，更像是新加入的劳动力，而不是取代者。

2. 从业务盘面看，这家公司到底在卖什么

2.1 卖的不是软件，是“确定性问题”的答案

我见过不少人对P公司的第一印象是“一个很贵的数据可视化平台”。这其实是误解。数据可视化只是它最表层的东西。大型政企客户真正愿意付高价的原因，是它帮组织回答了一个过去靠开会、拍脑袋、碰运气才能回答的问题：“已经发生的异常是怎么回事？”“接下来最有可能会出什么事？”“如果现在采取动作A，而不是动作B，结果会怎样？”

这类“确定性问题”有一个共同特征：答案必须能被验证，出了问题必须能找到追责对象。一个去餐厅吃饭的顾客问大模型“这家店什么好吃”，答案是幻觉还是真实不影响大局；但一个信贷审批负责人问“这笔贷款放不放”，他需要系统给出依据、给出推理路径、给出该依据对应的具体合同条款和数据记录。大模型给不了这种确定性，因为它的训练目标里根本没有“必须为你的业务结果负责”这一项。

我从一位长期服务政企客户的顾问那里听到过一个形容，我觉得特别贴切：大模型是“读了万卷书的谋士”，能给你很多建议，但没看过你家的账本，也不知道你家的规矩；而P公司这类平台更像“你请来的管家团队”，先把你家里每个角落摸清楚，再跟你讲“下个月这么开支票最稳”。客户买的不是建议，是“有人为我家的具体情况负责”这个承诺。

2.2 客户粘性与增长的“人肉味”

这就带来了一个非常关键的双面特征：粘性极强，但交付极重。

P公司的系统是侵入式的。一旦它接入客户的核心数据、参与核心业务流程，客户后面想换掉它，成本高到难以承受。这是它最可靠的护城河。我一直认为，看这类公司首先应该看存量客户的续约率和系统使用深度，而不是看新客户增长有多快。

但反过来，这种深绑定也意味着每一次扩张都需要大量的人力投入：不同客户的数据模型不同，组织架构不同，业务规则不同，甚至对“什么是异常”的定义都不同。它有点像高端装修队，活儿做得漂亮、口碑好，但每个工地都要重新设计施工图，很难像房产开发商一样一个楼盘的图纸复制到另一个城市。

过去市场诟病它的地方也主要集中在这一点上：毛利率虽然不低，但收入规模受限于“能交付多少合格顾问”；边缘型项目的交付周期经常超出销售承诺；以及新产品模块在客户侧的落地深度参差不齐。这些问题，本质上都源于“决策智能是一件高度定制的事”，而不是技术不够强。

3. 第一个不确定问题：大模型会不会把“决策中间层”削平

3.1 “大模型什么都能干”的错觉是怎么形成的

现在不得不面对一个灵魂拷问：既然大模型这么强，为什么不直接让大模型去读企业文档、自己写SQL、自己出报告，非要经过P公司这一道？

这个疑问尤其在过去一年大模型工具链逐渐成熟的背景下越来越严重。不少开源方案已经能实现“自然语言问数据库”，看起来P公司的分析能力似乎可以被轻易复刻。我身边也确实有朋友尝试过用大模型搭一个内部问答机器人，把公司文档灌进去，用起来前两周感觉“已经可以取代某某产品了”。

但两周之后通常就会碰壁。碰壁的地方非常集中：大模型回答的格式很漂亮，内容却对不上企业的真实数据口径；同一个问题换个问法，答案不一致；涉及敏感数据时，开源模型没有细粒度的权限控制；最麻烦的是，当业务负责人拿模型输出做决策出了问题，模型不会为此承担任何责任，组织的KPI体系也不认账。

这不是说大模型不重要——恰好相反，大模型降低了很多环节的交互成本，让“自然语言驾驶业务”成为可能。但它缺乏的是“组织结构内的责任锚点”：谁确认了这条规则？这条规则依据了哪份合同？为什么这条规则可以覆盖另外那条规则？即使模型训得再好，企业需要一个能把“责任”安放好的框架，而这正是P公司这种中间层存在的最充分理由。

3.2 P公司是把大模型当“发动机”，而不是当“整车”

一个容易忽略的事实是：P公司这两年其实在大力拥抱大模型。它的思路非常明确——大模型是优秀的“语言层技师”，但整辆车的底盘、路线图和刹车系统必须掌握在自己手里。

具体来看，它的AIP类产品做的是：先由平台的业务本体模型把所有数据关系定义清楚，再由大模型负责把用户的自然语言问题转换为对本体模型的查询和操作，最后把操作结果重新组织成决策建议。这里有一个微妙而关键的设计：大模型在这条链路里负责“翻译”和“组织”，不负责“理解业务事实”。业务理解来自地方案底层的本体模型和规则引擎，这部分是它自己沉淀的数据资产。

换句话说，把大模型直接扔给客户，等于给了一个没有刹车、没有导航、不知道路线是否合法的发动机；而P公司做的事情是把发动机装进一辆有方向盘、有刹车、有交规数据库的车里。这辆车的速度不一定比裸发动机快，但它能在企业组织的真实道路上合法行驶，出了事故能找到对应的部件和责任人。

3.3 真正危险的是“世界模型”阵营，不是大模型

那谁才是P公司真正的威胁？我的判断是：不是大模型阵营，而是未来可能出现的“企业级世界模拟器”。

现在还没有这样的东西，但从逻辑上推演，如果有一天有人能构建一个足够完整的业务仿真系统——把市场的需求变化、供应链的传导延迟、竞争对手的反应、监管政策的影响都纳入可计算模型，并且给出“做A不做B三个月后会发生什么”的可靠答案——那么P公司这类依靠规则本体和专家经验的中间层就会变得多余。因为到那时，组织想要的不再是“基于历史数据的决策建议”，而是“对不同决策路径的模拟结果”。

这正是标题里“世界模型未满”带给我的不安感：P公司现在的位置，本质上是在“接受大模型服务人类决策”的这个过渡带上。过渡带能存在多久，取决于下面的大模型能力增强速度和上面的世界模型出世速度，这两个速度不是它能独立控制的。这是第一个不确定问题的完整面貌。

4. 第二个不确定问题：高估值背后的收入成色与规模化矛盾

4.1 市场把P公司看成“AI时代的系统级厂商”

现在聊钱的问题。P公司这几年在二级市场的表现，让我的很多关注者非常困惑：明明收入规模不算特大、净利也起起伏伏，为什么估值长期处于科技股的第一梯队？

我自己的理解是：市场不是因为P公司现在的利润给它估值，而是按“企业软件格局重塑者”给它定价的。过去几十年，大型机构的决策依赖的是ERP、CRM、BI报表这些相对固化的工具；而P公司试图证明一件事——一套能把数据、知识、模型、人连接起来的决策操作系统，应该成为大型机构最上层的系统层。这个叙事一旦成立，它的可触及市场远不止软件工具这一层，而是整个“组织智商”的运营权。

这个逻辑在一段时间内是自洽的，但它也意味着非常苛刻的容错率。买入这样一家公司，本质上是在下注“决策基础设施”这个赛道会出现一次平台级重构，而P公司是这次重构的最大受益者之一。一旦市场对赛道的共识发生动摇——比如出现更强有力的开源替代，或者大模型能力突破让中间层价值被压缩——估值体系就会从“平台叙事”切换到“软件公司叙事”，那将是另一个级别的数字。

4.2 增长的成色：是大客户真花钱，还是交付口径更乐观了

跟踪P公司财报，我个人非常关注一组容易被宏观解读掩盖的细节：新增客户的合同金额是否在变大？既有客户是不是真的把更多核心业务模块搬到了平台里？项目从签约到确认收入的时间周期是否在拉长？

这组数据能在很大程度上反映“增长的质量”。如果收入增长主要来自几个大客户的超大额合同，那增长是真实的，但波动性也很高——一个大客户延迟一年，明年的增长曲线就会立刻出问题。如果合同金额增长但收款周期明显拉长，那利润表体现的收入可能领先于现金流两三个季度，一旦客户预算收缩，回款问题会暴露。

一个容易让人误判的细节是：它越来越多地把产品打包成订阅制，账单好看，但这中间的“履约成本”——也就是顾问人力投入——是否同步下降，才是判断规模化的关键。我在一份行业纪要里看到过这样的吐槽：某个客户上线了新模块，签约时说是AI驱动，实施时仍是顾问团队驻场三个月。AI有没有真的减少交付人天，是这家公司故事能否成立的核心验证点。

4.3 规模化困境：专家在回路，撑得起高毛利吗

这是我认为比技术问题更致命的不确定项。

决策智能这个赛道天然需要“专家在回路”：业务专家要参与定义本体模型，顾问要参与梳理流程，数据工程师要参与清洗各类脏数据。初期这样做是完全正确的，因为客户的复杂性不可能靠一个通用模型消化。但随着客户数量级从几十个增长到几百个，这套模式会碰到两堵墙。

第一堵墙：定制化永远是收入的天花板。第二堵墙：真正的产品化长期难以推进。同样的模块在这个客户能跑通，换一个客户就因为数据口径不同、组织流程不同、合规要求不同，需要用大量配置工作重新适配。

行业里有一句很直白的评价：P公司做的是“高级项目制生意”。项目制生意的天然特点是毛利率高但资金效率低：应收款项大、交付人员多、利润被运营成本吃掉。市场愿意给高估值，是默认它最终能走出项目制、走到软件飞轮阶段；但至少从现在的客户结构、交付模式看，这条路还只走了一半。这便是我说的第二个不确定问题：它的生意越赚钱，越需要大量定制；越定制，越难真正规模化。

5. 我怎么跟踪这类公司的确定性拐点（个人框架）

5.1 三个最值得盯的核心指标

既然有两个不确定问题，那日常跟踪就一定要有“提前看出拐点”的指标，不能等财报爆雷了才后知后觉。我把自己的观察框架列在这里，供参考。

跟踪指标	具体看什么	出现什么信号说明拐点向上
客户自助化占比	新客户在缺少深度顾问支持下跑通核心模块的比例	越来越多的中小客户通过标准化配置完成上线，自助化收入占比提升
AI工作流活跃度	已部署AIP模块的客户中，每月实际使用的决策工作流数量变化	使用频次环比连续抬升，而不是只签约不打开
收入质量匹配度	合同签约额、确认收入、经营性现金流三者之间的关系	确认收入与现金流入的偏离缩小，履约周期下降

这三组数据在财报和分析师电话会的问答里基本都能找到线索。如果哪一天看到自助化客户占比明显提升，同时AI模块使用频次大幅增长，那说明这家公司已经开始从“项目服务商”往“平台型软件商”转变，第一个不确定问题的答案就会明朗很多。

5.2 值得警惕的反向信号

反过来，我也提示几个危险信号，以后你们看报告时可以留心：

第一，如果看到“客户上线时不再要求做业务本体建模，而是直接用大模型抽取语义”这一类描述，需要注意中间的规则层是否在被技术栈取代。第二，如果看到它开始大量做联合解决方案、依赖外部咨询公司交付，说明项目制的泥沼还没有脱身。第三，如果收入结构中来自“长期合作协议”的部分占比太大，要警惕后续增长是靠价格锁定而不是靠使用量驱动，那会掩盖需求质量的下滑。

这里还要多说一句：不是所有“不确定性”都等于风险。对长期主义者来说，P公司这两层不确定性里既有被削平的风险，也有被抬升的机会。我们真正要做的，不是预测明天股价，而是跟踪那些能够证伪自己判断的证据。

5.3 我给关注这类公司的人的建议

最后分享几点个人体会。

一是不要被“AI龙头”“大模型受益股”这类标签绑架。它本质上做的是大型组织的“判断力外包”，标签怎么变，生意的底层逻辑不会变。二是一定要建立自己的证据清单，定期追问：这家公司在过去一个季度里，有没有让我们更相信它正在产品化？它的AI模块是宣传册上的存在，还是客户实际每天都在用的工具？三是多关注那些“不怎么上新闻”的侧面：客户成功团队的规模变化、老客户的模块扩容情况、客户续约时是否愿意用更标准化的合同而不是从头再走一遍定制流程。

我记得有一次和一个在大型制造集团做数字化转型的朋友聊天，他说了句让我印象很深的话：“我们选这类系统，看的不是技术多酷，而是出了问题它能给到什么级别的解释。”这句话基本概括了决策智能这门生意的全部秘密：在组织内，解释力比计算力更值钱。

关于P公司的第二个不确定性问题——也就是它的产品化尝试和数据经营策略到底能不能跑通——我会在系列的第二篇里接着聊。这篇就先说到这里，剩下的留给数据和时间去验证。